[发明专利]基于自适应谐振网络的电力需求侧设备辨识方法和系统

说明书

本发明公开了基于自适应谐振网络的电力需求侧设备辨识方法和系统，通过采集电力需求侧未知设备多维特征数据，并根据事件检测算法提取未知设备负荷事件，利用未知设备负荷事件得到未知设备启停时间、各特征暂态变化量和稳态运行特征数据；将所述特征数据进行分类得到输入数据和测试数据，将输入数据和测试数据进行归一化和编码处理；通过自适应谐振网络对输入数据进行训练学习，得到自适应谐振网络训练模型；根据自适应谐振网络训练模型对测试数据进行辨识，得到辨识结果；根据预存数据库对所述辨识结果进行匹配，得到未知设备匹配结果。本发明的自适应谐振网络既能使用标准数据训练，进行监督学习，又能对无标记数据进行分类，识别未知设备。

技术领域

本发明属于非侵入式负荷辨识领域，特别是基于自适应谐振网络的电力需求侧设备辨识方法和系统。

背景技术

非侵入式负荷辨识技术是目前电力系统智能计量领域的研究热点，近年来发展迅速。通过在电力需求侧安装非侵入式电力辨识装置，利用智能解析技术可以获得用电范围内未知设备的类型、运行状态及其能耗，从而实现对不同设备的启停和功率消耗的实时监测。该技术可以帮助用户及电网公司分析电力需求侧用电行为，为节能减排、能耗管理、智能家居管理以及电力需求侧维护提供有力的数据支撑。在当前泛在电力物联网的倡导下，了解居民和工商业的用电构成，统筹规划电力调度方案以及削峰平谷对电网公司有着重要的意义。

非侵入式负荷辨识技术是当前智能电网发展的一个重要方向，本领域现已研究出了多种不同类型的辨识方法。但是由于电力需求侧未知设备种类繁多，用户新添置设备较为复杂，品牌及型号层次不穷，现有的辨识方法无法实时更新本地数据库，难以适配用户新接入的未知设备，导致目前非侵入式辨识装置对未知设备的识别准确率不高，并且现有技术对于未识别的未知设备，无法进行自我学习重新分类，导致识别效率降低。

发明内容

鉴于上述问题，提出了本以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于自适应谐振网络的电力需求侧设备辨识方法和系统。

一种基于自适应谐振网络的电力需求侧设备辨识方法，其特征在于，包括：

S100.采集电力需求侧未知设备多维特征数据，并根据事件检测算法提取未知设备负荷事件，通过未知设备负荷事件得到未知设备启停时间、各特征暂态变化量和稳态运行特征数据；

S200.将未知设备启停时间、各特征暂态变化量和稳态运行特征数据进行分类得到输入数据和测试数据，并将所述输入数据和测试数据进行归一化和编码处理；

S300.通过自适应谐振网络对输入数据进行训练学习，得到自适应谐振网络训练模型；

S400.根据自适应谐振网络训练模型对测试数据进行辨识，得到辨识结果；

S500.根据预存数据库对所述辨识结果进行匹配，得到未知设备匹配结果；

S600.通过人机交互界面对辨识结果进行修正，并将所述修正结果加入预存数据库，更新预存数据库。

进一步地，将未知设备启停时间、各特征暂态变化量和稳态运行特征数据进行分类，获取输入数据和测试数据的方法为：获取电力需求侧未知设备个数l，每种设备运行时随机进行开启和关闭。以采集频率f记录其m种特征，然后在两个暂态事件之间随机取n个特征点，因此可以获得n个m维数据组成的矩阵A_n×m；其中用于测试的数据记作a＝{a₁,a₂,…,a_m}，用于学习的数据记作b＝{b₁,b₂,…,b_i}，其中i为数据序列的最大量。

进一步地，使用最小-最大化特征法将输入数据和测试数据进行归一化，所述归一化公式如式(1)：